第八章

图像模板匹配

汇报人：陈西PPT工作室

基于灰度值的模板匹配

基于特征的模板匹配

图像金字塔

Matching助手

基于灰度值的模板匹配

图像的灰度值信息包含了图像记录的所有信息。基于灰度值的匹

配算法是最经典的模板匹配算法，也是最早提出来的模板匹配算法。

归一化积相关灰度匹配

1.基本原理ꢀꢀ

以8位灰度图像为例，模板叠 ꢀT (ꢀm ,n)放在被搜索图 S(w,h)上平移，模板覆盖被搜索图的那块

i, j

S

区域叫子图，i、j为子图左下角在被搜索图S上的坐标，搜索范围是：

，

 i W  n

1

i, j

可以用下式衡量T 和 S 的相似性：

1

 j  H  m

，

M

N

i, j

2

D(i, j) 

[S (m,n) T(m,n)]



m1 n1

将其归一化，得模板匹配的相关系数：

M

i, j

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ



S



m,n



T m,n

 





m1 n1

R i, j 

 

M

2

i, j

2







S



m,n







T





m1 n1

m,n



m1 n1

归一化积相关灰度匹配

ꢀꢀ

i, j

比较T 和 S 的内容，若两者一致，则T 和S 之差为零，所以可以用下列两种测度之一来衡量

i, j

T和的相似程度：

S

M

2

i, j

D



i, j







S



m,n



T m,n

 





D



i, j





S



m,n



T



m,n





m1 n1

如果展开式（8-3），则有：

M

2

i, j



m,n

D



i, j









S



m,n





 2 S





m1 n1

T m,n

  





m1 n1

M

2

T m,n

 

 



m1 n1

式子右边第三项表示模板的总能量，是一个常数，与无关；第一项是模板覆盖下那块图

i, j

 

i, j i, j

   

像子图的能量，它随位置而缓慢改变；第二项是子图像和模板的互相关, 随的改变而改变。

归一化积相关灰度匹配

i, j

ꢀT 和S 匹配时这一项的取值最大，因此可用下列相关函数作相似性测度：

ꢀ

M

i, j

S m,n T m,n

   







m1 n1

R



i, j





M

2

i, j

S m,n

 







m1 n1

将其归一化为：

M

i, j



S





m,n



T m,n

 





m1 n1

R i, j 

 

M

2

i, j

2







S



m,n







T





m1 n1

m,n



m1 n1

归一化积相关灰度匹配

序贯相似性检测算法匹配

1.基本原理ꢀꢀ

SSDA根据所采用的匹配相关运算的算法来制定阈值T的计算方法，在进行每一个搜索

窗口的匹配相关运算时，合理地计算间隔，检测当前所得的相关结果和SSDA阈值T的比

较关系。

f t d d

f (x, y)

的点 (u,v) 的非相似度 m(u,v) 可

SSDA是用_

表示为：

作为匹配尺度的。图像中

y

x



n

m



u,v





f



k  u 1,l  v 1



t



k,l





k1 i1

其中，点表示的不是模板的中央，而是左上角位置。ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

序贯相似性检测算法匹配

T_k

i, j

m,n

 

S

T_k

I(i, j)

序贯相似性检测算法匹配

2

(i, j)

M

序贯相似性检测算法匹配

Halcon中的灰度匹配相关算子

基于像素灰度值的模板匹配

程序如下：

*

更新窗口ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀdev_update_off ()

获取图像ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀread_image (Image, 'smd/smd_on_chip_05')

获取图像大小ꢀꢀꢀꢀꢀꢀꢀꢀget_image_size (Image, Width, Height)

关闭窗口ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀdev_close_window ()

打开适应图像大小窗口ꢀꢀꢀꢀdev_open_window (0, 0, Width, Height, 'black', WindowHandle)

设置输出颜色、填充方式ꢀꢀꢀdev_set_color ('green')

ꢀ

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ dev_set_draw ('margin')

*

获得矩形ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀrectangle1 gen_rectangle1 (Rectangle, 175, 156, 440, 460)

得到区域面积和中心坐标ꢀꢀꢀarea_center (Rectangle, Area, RowRef, ColumnRef)

缩小图像的域ꢀꢀꢀꢀꢀꢀꢀꢀreduce_domain (Image, Rectangle, ImageReduced)

创建ncc模板ꢀꢀꢀꢀꢀꢀꢀ ꢀcreate_ncc_model (ImageReduced, 'auto', 0, 0, 'auto', 'use_polarity', ModelID)

基于像素灰度值的模板匹配

*

显示图像

显示矩形

dev_display (Image)

dev_display (Rectangle)

stop ()

*

建立for循环

for J := 1 to 11 by 1

循环读取图像

read_image (Image, 'smd/smd_on_chip_' + J$'02')

在目标图像中寻找模板find_ncc_model (Image, ModelID, 0, 0, 0.5, 1, 0.5, 'true', 0, Row, Column, Angle, Score)

显示图像

dev_display (Image)

显示匹配结果

dev_display_ncc_matching_results (ModelID, 'green', Row, Column, Angle, 0)

stop ()

Endfor

基于像素灰度值的模板匹配

（b）模板

（a）原图

（

c）目标图像

（d）匹配结果

基于特征的模板匹配

利用灰度信息匹配方法的主要缺陷是计算量过大，在具体应用中对

匹配速度有一定要求时，这些方法就受到很大局限。

不变矩匹配法ꢀ

1.基本原理ꢀꢀ

特征匹配是指建立两幅图像中特征点之间对应关系的过程。用数学语言

可以描述为：两幅图像A和B中分别有m和n个特征点（m和n通常不相等），

其中有k对点是两幅图像共同拥有的，则如何确定两幅图像中k对相对应的

点对即为特征匹配要解决的问题。ꢀ

ꢀꢀꢀ

距离变换匹配法ꢀ

1.基本原理ꢀꢀ

'

o

设二值图像I包含两种元素：物体O和背景，二距离为D，则距离变换定义为

 min dist p,q ,qO

计算子图中的边缘点到模板图中最近的边缘点的距离采用欧式距离，并对欧式距离进行近似，认为与边缘

邻域相邻的点的距离为0.3，8邻域相邻的点的距离为0.7，不相邻的点的距离都为l。

（

8-23）

D



p











4

欧氏距离变换定义为

2 2



 x₁ x₂ y₁ y₂

x₁, y₁x₂, y₂    

（

8-24）

8-25）

D





2

在二维空间中，S为某一集合，对中任一点r，定义其距离变换为

R

T_s



r



 min dis r, s s S



 



ꢀꢀꢀ

距离变换匹配法ꢀ

最小均方误差匹配法

1.基本原理ꢀꢀ

'



间的仿射变换，变换方程为：



X,Y







X ,Y

对于图像

'

x   cos sin  x tx x y 1 0



s      

 scos ssin tx ty



 

     







T



'

y

sin cos y ty

y  x0 1

 

     

根据给定的n对相应特征点，构造点坐标矩阵为：





x₁

y₁1 0



y  x 0 1

T

1

'

1

'

1

'

n

'

n



 



Y 



x y  x y



X   





x_n

y_n1 0









y  x 0 1



n



最小均方误差匹配法

1.基本原理ꢀꢀ

T

2

由最小均方误差原理求解

，，可以得到参数向量的求解方程为



E 



Y  X





Y  X

1

T T

A  X X X Y

 

2



解出后，便可以计算得出。 ꢀꢀꢀ

E

最小均方误差匹配法

2.实现步骤ꢀꢀ

图像的最小均方误差匹配算法实现的步骤描述如下：

（

1）获得待匹配图像、模板图像数据的地址、存储的高度和宽度；

2）建立一个目标图像指针，并分配内存，以保留图像匹配后的图像，将待匹配图像复制到目标图像中；

3）逐个扫描原图像中的像素点所对应的模板子图，根据式(8-30)构造点坐标矩阵, 然后根据式(8-31)求

出仿射变换向量，解出最小均方误差值；

（

4）循环步骤(3)，直到处理完原图像的全部像素点，最小均方误差值最小的像素点为最佳匹配点；

5）将目标图像所有像素值减半以便和原图区别，把模板图像复制到目标图像中步骤（4）记录的像素

点位置。

Halcon中的特征匹配相关算子

图像金字塔

图像金字塔是图像多尺度表达的一种，是一种以多分辨率来解释

图像的有效但概念简单的结构。广泛应用于图像分割、机器视觉和图

像压缩。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步

降低、且来源于同一张原始图的图像集合。

图像金字塔的分类

高斯金字塔ꢀ

^Gi1

G_i

拉普拉斯金字塔ꢀ

在Halcon中的图像金字塔相关算子ꢀ

图像金字塔应用实例ꢀ

程序如下：

*

缩小图像的域

*

更新窗口

创建图像金字塔，根据金字塔层数和对比度检查要生成的模板是否合适

返回平行坐标最小外包矩形

step 3: 处理模型区域

打开和配置图像采集设备

从指定的图像采集设备获取图像的同步抓取

得到图像访问路径的指针

关闭窗口

step 4: 创建最终模型

使用用图像创建带有缩放的匹配模板

循环step 3，在其他图像中查找对象

建立循环读图

打开适用图像大小的窗口

设置图形窗口中显示的图像大小

显示图像

获取图像

设置显示的字体

根据模板进行匹配

颜色和其他可视化设置

在荧幕上显示暂停程序继续操作的信息

step 1:选择要匹配的图像

step 2: 创建第一个模型区域

求取模板与匹配结果的映射关系

根据映射关系得到匹配后的轮廓

清楚窗口

关闭设备

图像金字塔应用实例ꢀ

（a）原图

（b）矩形模板

（

c）目标图像1

（f）匹配结果2

（d）匹配结果1

（e）目标图像2

Matching 助手

Halcon匹配助手的匹配方式

使用Halcon匹配助手的过程

本章小结

本章详细介绍了两种图像匹配方法的算法原理及基于Halcon的相应

例程，并且介绍了图像金字塔的作用及常用类型，之后详细介绍了

Halcon软件中匹配助手的使用方法，方便读者学习和使用Halcon。

习ꢀ题

8.1图像匹配的目的是什么？常用的方法有哪些？

8.2在纸上写一些字母，然后对其拍照，试着编写Halcon程序将其中的字母

识别岀来。

.3编写Halcon程序找出图1中所有的数字3和5。

8

图1